人机对话方法、装置、可读存储介质及电子设备制造方法及图纸

本公开涉及一种人机对话方法、装置、可读存储介质及电子设备。方法包括：在接收到用户当前输入的文本信息后，从人机对话系统中读取第一对话状态；根据文本信息和第一对话状态，确定第二对话状态和文本信息对应的意图、领域、问题类型、第二槽值对；将第二槽值对与第二对话状态结合，得到当前对话状态；根据当前对话状态、意图、领域及问题类型对文本信息进行语义理解。由此，可对用户当前输入的文本信息的理解提供全面的信息支持，即使当前输入的文本信息采用基于上文的共指和省略，也可获取到正确执行命令必须的槽位，因而能准确高效地对用户当前输入的文本信息进行理解。并且，无需存储用户当前输入的文本信息的诸多上文信息，可节省存储空间。

【技术实现步骤摘要】
人机对话方法、装置、可读存储介质及电子设备
本公开涉及计算机
，具体地，涉及一种人机对话方法、装置、可读存储介质及电子设备。
技术介绍
目前的任务型对话机器人在自然语言理解时采用的主要解析方式是从用户当前输入的文本信息(即，问题query)中抽取出intent(意图)和slot(槽位)，二者结合形成frame(表达)来确定用户实际想要表达的意思，再调用相对应的API来执行用户的命令。在人机对话的过程中，对话越自然、流畅，文本信息就会越简洁、口语化。这时，用户时常会不自觉的使用共指和省略来省掉文本信息中的一些成分。其中，共指，是当前的指示语与上下文中出现的词、短语、句子(句群)存在密切的语义关联。比如上文中出现的名词，在下文中可以用代词来表示。省略，是指上文中出现的词语，在下文中不再出现。在这种情况下，当机器人解析用户当前输入的文本信息时，若只凭借该文本信息，则无法获得用户真正的意思。现阶段，主要结合当前输入的文本信息的上文信息，通过深度神经网络或者循环神经网络进行相应处理，进而根据其输出，对当前输入的文本信息进行理解，但准确度无法保证。并且，在上文信息的内容较多时，无疑会占用更多的存储空间和计算资源。因此，目前的挑战是如何准确高效地结合当前输入的文本信息的上文信息来对当前文本信息进行理解。
技术实现思路
为了克服相关技术中存在的问题，本公开提供一种人机对话方法、装置、可读存储介质及电子设备。为了实现上述目的，根据本公开实施例的第一方面，提供一种人机对话方法，包括：在接收到用户当前输入的文本信息后，从人机对话系统中读取第一对话状态，其中，所述第一对话状态为在最近一轮对话完成后的对话状态，所述第一对话状态包括至少一个由槽名称和槽值构成的第一槽值对；根据所述文本信息和所述第一对话状态，确定第二对话状态和所述文本信息对应的意图、领域、问题类型、第二槽值对，其中，所述第二对话状态为对所述第一对话状态进行更新后的状态；将所述第二槽值对与所述第二对话状态结合，得到当前对话状态；根据所述当前对话状态、所述意图、所述领域以及所述问题类型对所述文本信息进行语义理解。可选地，所述根据所述文本信息和所述第一对话状态，确定第二对话状态和所述文本信息对应的意图、领域、问题类型、第二槽值对，包括：针对每一所述第一槽值对，分别获取该第一槽值对中的槽值对应的第一编码向量、该第一槽值对中的槽名称对应的第二编码向量；将所述第一编码向量和所述第二编码向量进行拼接，输入至第一循环神经网络的、与该第一槽值对对应的神经网络层中，并将该神经网络层的隐藏层状态确定为该第一槽值对对应的第一向量；将所述第一循环神经网络的最终隐藏层状态作为第二循环神经网络的初始隐藏层状态，对所述文本信息包含的各分词分别进行编码，得到各分词对应的第二向量；根据各所述第一槽值对对应的第一向量和各分词对应的第二向量，确定第二对话状态；根据各分词对应的第二向量，确定所述文本信息对应的意图、领域、问题类型以及第二槽值对。可选地，所述根据各所述第一槽值对对应的第一向量和各分词对应的第二向量，确定第二对话状态，包括：根据每一所述第一向量，分别对各分词进行注意力机制的权重分发，并将各分词对应的第二向量与各分词被分发的权重做加权和；将所述加权和、该第一向量进行拼接，得到第三向量；将各所述第三向量输入至全连接层，得到第二对话状态。可选地，所述根据各分词对应的第二向量，确定所述文本信息对应的意图、领域、问题类型以及第二槽值对，包括：将每一所述第二向量输入至与相应分词对应的解码器中，得到各分词对应的槽值对，将各分词对应的槽值对确定为所述第二槽值对；将各分词对应的第二向量一并输入至与意图对应的解码器中，得到所述文本信息对应的意图；将各分词对应的第二向量一并输入至与领域对应的解码器中，得到所述文本信息对应的领域；将各分词对应的第二向量一并输入至与问题类型对应的解码器中，得到所述文本信息对应的问题类型。可选地，所述分别获取该第一槽值对中的槽值对应的第一编码向量、该第一槽值对中的槽名称对应的第二编码向量，包括：将该第一槽值对中的槽值进行分词后输入至第一编码循环神经网络中，将所述第一编码循环神经网络的最终隐藏层状态确定为该第一槽值对中的槽值对应的第一编码向量；针对目标槽值中的每一参考槽值，将该参考槽值进行分词后输入至第二编码循环神经网络中，将所述第二编码循环神经网络的最终隐藏层状态确定为该参考槽值对应的第三编码向量，所述目标槽值包括预设对话语料库中、与该第一槽值对中的槽名称对应的所有槽值中出现频次最高的预设数量的参考槽值；将所述目标槽值中各参考槽值对应的第三编码向量的均值确定为该第一槽值对中的槽名称对应的第二编码向量。根据本公开实施例的第二方面，提供一种人机对话装置，包括：获取模块，用于在接收到用户当前输入的文本信息后，从人机对话系统中读取第一对话状态，其中，所述第一对话状态为在最近一轮对话完成后的对话状态，所述第一对话状态包括至少一个由槽名称和槽值构成的第一槽值对；确定模块，用于根据所述文本信息和所述第一对话状态，确定第二对话状态和所述文本信息对应的意图、领域、问题类型、第二槽值对，其中，所述第二对话状态为对所述第一对话状态进行更新后的状态；结合模块，用于将所述第二槽值对与所述第二对话状态结合，得到当前对话状态；语义理解模块，用于根据所述当前对话状态、所述意图、所述领域以及所述问题类型对所述文本信息进行语义理解。可选地，所述确定模块包括：第一编码子模块，用于针对每一所述第一槽值对，分别获取该第一槽值对中的槽值对应的第一编码向量、该第一槽值对中的槽名称对应的第二编码向量；第二编码子模块，用于将所述第一编码向量和所述第二编码向量进行拼接，输入至第一循环神经网络的、与该第一槽值对对应的神经网络层中，并将该神经网络层的隐藏层状态确定为该第一槽值对对应的第一向量；第三编码子模块，用于将所述第一循环神经网络的最终隐藏层状态作为第二循环神经网络的初始隐藏层状态，对所述文本信息包含的各分词分别进行编码，得到各分词对应的第二向量；第一确定子模块，用于根据各所述第一槽值对对应的第一向量和各分词对应的第二向量，确定第二对话状态；第二确定子模块，用于根据各分词对应的第二向量，确定所述文本信息对应的意图、领域、问题类型以及第二槽值对。可选地，所述第一确定子模块包括：权重分发子模块，用于根据每一所述第一向量，分别对各分词进行注意力机制的权重分发，并将各分词对应的第二向量与各分词被分发的权重做加权和；拼接子模块，用于将所述加权和、该第一向量进行拼接，得到第三向量；全连接子模块，用于将各所述第三向量输入至全连接层，得到第二对话状态。根据本公开实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本本文档来自技高网...

【技术保护点】
1.一种人机对话方法，其特征在于，包括：/n在接收到用户当前输入的文本信息后，从人机对话系统中读取第一对话状态，其中，所述第一对话状态为在最近一轮对话完成后的对话状态，所述第一对话状态包括至少一个由槽名称和槽值构成的第一槽值对；/n根据所述文本信息和所述第一对话状态，确定第二对话状态和所述文本信息对应的意图、领域、问题类型、第二槽值对，其中，所述第二对话状态为对所述第一对话状态进行更新后的状态；/n将所述第二槽值对与所述第二对话状态结合，得到当前对话状态；/n根据所述当前对话状态、所述意图、所述领域以及所述问题类型对所述文本信息进行语义理解。/n

【技术特征摘要】
1.一种人机对话方法，其特征在于，包括：
在接收到用户当前输入的文本信息后，从人机对话系统中读取第一对话状态，其中，所述第一对话状态为在最近一轮对话完成后的对话状态，所述第一对话状态包括至少一个由槽名称和槽值构成的第一槽值对；
根据所述文本信息和所述第一对话状态，确定第二对话状态和所述文本信息对应的意图、领域、问题类型、第二槽值对，其中，所述第二对话状态为对所述第一对话状态进行更新后的状态；
将所述第二槽值对与所述第二对话状态结合，得到当前对话状态；
根据所述当前对话状态、所述意图、所述领域以及所述问题类型对所述文本信息进行语义理解。


2.根据权利要求1所述的方法，其特征在于，所述根据所述文本信息和所述第一对话状态，确定第二对话状态和所述文本信息对应的意图、领域、问题类型、第二槽值对，包括：
针对每一所述第一槽值对，分别获取该第一槽值对中的槽值对应的第一编码向量、该第一槽值对中的槽名称对应的第二编码向量；
将所述第一编码向量和所述第二编码向量进行拼接，输入至第一循环神经网络的、与该第一槽值对对应的神经网络层中，并将该神经网络层的隐藏层状态确定为该第一槽值对对应的第一向量；
将所述第一循环神经网络的最终隐藏层状态作为第二循环神经网络的初始隐藏层状态，对所述文本信息包含的各分词分别进行编码，得到各分词对应的第二向量；
根据各所述第一槽值对对应的第一向量和各分词对应的第二向量，确定第二对话状态；
根据各分词对应的第二向量，确定所述文本信息对应的意图、领域、问题类型以及第二槽值对。


3.根据权利要求2所述的方法，其特征在于，所述根据各所述第一槽值对对应的第一向量和各分词对应的第二向量，确定第二对话状态，包括：
根据每一所述第一向量，分别对各分词进行注意力机制的权重分发，并将各分词对应的第二向量与各分词被分发的权重做加权和；
将所述加权和、该第一向量进行拼接，得到第三向量；
将各所述第三向量输入至全连接层，得到第二对话状态。


4.根据权利要求2所述的方法，其特征在于，所述根据各分词对应的第二向量，确定所述文本信息对应的意图、领域、问题类型以及第二槽值对，包括：
将每一所述第二向量输入至与相应分词对应的解码器中，得到各分词对应的槽值对，将各分词对应的槽值对确定为所述第二槽值对；
将各分词对应的第二向量一并输入至与意图对应的解码器中，得到所述文本信息对应的意图；
将各分词对应的第二向量一并输入至与领域对应的解码器中，得到所述文本信息对应的领域；
将各分词对应的第二向量一并输入至与问题类型对应的解码器中，得到所述文本信息对应的问题类型。


5.根据权利要求2-4中任一项所述的方法，其特征在于，所述分别获取该第一槽值对中的槽值对应的第一编码向量、该第一槽值对中的槽名称对应的第二编码向量，包括：
将该第一槽值对中的槽值进行分词后输入至第一编码循环神经网络中，将所述第一编码循环神经网络的最终隐藏层状态...

【专利技术属性】
技术研发人员：夏妍，莫凡，林锋，
申请(专利权)人：镁佳北京科技有限公司，
类型：发明
国别省市：北京;11